在全球人工智能竞争日益激烈的背景下，上海交通大学与深势科技团队联手，成功在被称为 “人类最后的考试”（HLE）中取得了32.1分的惊人成绩，首次突破30分大关。这一测试集以其超高难度而闻名，曾经没有模型得分能超过10分，甚至在最近，最高得分也仅有26.9分，由 Kimi-Research 和 Gemini Deep Research 并列创造。
这项研究推出了名为 X-Master 的工具增强型推理智能体，以及多智能体工作流系统 X-Masters。这套方案不仅在技术上表现出色，团队还将其开源，进一步推动 AI 领域的合作与发展。
X-Master 的核心理念在于模拟人类研究者解决问题的动态过程，能够在内部推理与外部工具之间无缝切换。当遇到无法解决的问题时，X-Master 会将行动计划编写成代码，通过各种工具（如 NumPy 和 SciPy）执行这些代码，并将结果整合回智能体的知识体系中。这一过程形成了一个高效的反馈循环，使得智能体不断优化推理过程。
X-Masters 的设计则更为复杂，采用分散 - 堆叠式的智能体工作流，能够提升推理的广度和深度。在分散阶段，多个求解器并行工作，生成不同的解决方案，同时由批评者智能体对方案进行评估与改进。接下来，重写器智能体将所有输出汇总成更优方案，最终由选择器智能体选出最佳答案。
在这项测试中，X-Masters 在生物学 / 医学类别的表现也格外突出，超越了现有的智能体系统，显示出其在复杂问题上的强大能力。
“人类最后的考试” 由 AI 安全中心与 Scale AI 于今年初发起，旨在评估 AI 系统的智能水平，题目来自500多家机构的1000多名学者，难度相当高。